A equipe do Google DeepMind lançou oficialmente o conjunto de dados WebLI-100B, um vasto conjunto de dados contendo 100 bilhões de pares imagem-texto, com o objetivo de melhorar a diversidade cultural e multilíngue dos modelos de linguagem e visão de inteligência artificial. Com este conjunto de dados, os pesquisadores esperam melhorar o desempenho dos modelos de linguagem e visão em diferentes contextos culturais e linguísticos, reduzindo simultaneamente as disparidades de desempenho entre subgrupos e, assim, aumentando a inclusão da inteligência artificial. Os modelos de linguagem e visão (VLMs) dependem de grandes conjuntos de dados para aprender a conectar imagens e texto.

O Meta está enfrentando um processo por violação de direitos autorais, com advogados alegando que o CEO Mark Zuckerberg aprovou o uso de um conjunto de dados de livros e artigos eletrônicos piratas pela empresa para treinar seu modelo de IA Llama. O caso é um dos muitos processos por direitos autorais contra várias gigantes de tecnologia, acusadas de usar obras protegidas por direitos autorais sem autorização para treinar modelos de IA. Em documentos apresentados na noite de quarta-feira ao Tribunal Distrital dos EUA para o Distrito Norte da Califórnia, os autores reiteraram a declaração do Meta do final do ano passado.

A Zhiyuan Robotics, em colaboração com o Laboratório de Inteligência Artificial de Xangai e outras instituições, lançou o conjunto de dados AgiBot World, o primeiro conjunto de dados de robôs de milhões baseado em cenários reais do mundo. Em comparação com o Open X-Embodiment do Google, seu volume de dados de longo alcance aumentou em 10 vezes, a cobertura de cenários aumentou em 100 vezes e a qualidade dos dados atingiu o padrão industrial. Este projeto de código aberto, considerado o 'momento ImageNet' da inteligência incorporada, mostra as capacidades surpreendentes dos robôs. Desde arranjar flores na sala até cozinhar na cozinha, passando pelo caixa do supermercado...

Recentemente, no 12º Congresso de Finanças e Tecnologia Financeira Digital, parte da série de eventos do Fórum Zhongguancun, a solução de detecção Deepfake da Ant Group foi selecionada para o "Caso de Aplicação e Inovação Tecnológica em Fintech". Apoiada pelo seu laboratório Tianji, a Ant Group construiu, pela primeira vez no setor, um conjunto de dados Deepfake em larga escala, de alta qualidade e multimodal, sintetizando mais de um milhão de conteúdos multimídia. Isso simula completamente as amostras de ataque Deepfake em ambientes de controle de risco financeiro do mundo real, tornando-se um recurso valioso para avaliar os métodos de detecção Deepfake existentes no setor financeiro.

A Universidade Harvard anunciou recentemente que planeja lançar um conjunto de dados composto por quase 1 milhão de livros de domínio público, que qualquer pessoa pode usar para treinar modelos de linguagem grandes e outras ferramentas de inteligência artificial. Este projeto é liderado pela recém-criada Iniciativa de Dados Institucionais (Institutional Data Initiative) da Universidade Harvard, e foi concluído com o financiamento da Microsoft e da OpenAI. O conjunto de dados inclui livros digitalizados do projeto Google Books, abrangendo obras clássicas de Shakespeare, Dickens, Dante e outros.

A Universidade de Harvard anunciou na quinta-feira que irá disponibilizar publicamente um conjunto de dados de alta qualidade contendo quase um milhão de livros de domínio público, que qualquer pessoa pode usar para treinar modelos de linguagem grandes e outras ferramentas de IA. Este conjunto de dados foi criado pela recém-criada Iniciativa de Dados Institucionais (Institutional Data Initiative) da Universidade de Harvard e recebeu financiamento da Microsoft e da OpenAI. Os livros incluídos são obras digitalizadas pelo Google Livros que não estão mais protegidas por direitos autorais. Os dados...

Recentemente, uma equipe de pesquisa de várias instituições de pesquisa chinesas lançou o Infinity-MM, um conjunto de dados multimodais de grande escala, e treinou um modelo de IA de alto desempenho, Aquila-VL-2B, baseado neste conjunto de dados. Este avanço injetou uma nova força motriz no desenvolvimento da IA multimodal. O conjunto de dados Infinity-MM é surpreendentemente grande, contendo quatro grandes categorias de dados: 10 milhões de descrições de imagens, 24,4 milhões de dados de instruções visuais gerais, 6 milhões de dados de instruções de alta qualidade selecionados e 3 milhões de dados gerados por G

Recentemente, uma equipe de pesquisa de várias instituições chinesas criou com sucesso o conjunto de dados “Infinity-MM”, um dos maiores conjuntos de dados de IA multimodal abertos disponíveis atualmente, e treinou um novo modelo pequeno de alto desempenho - Aquila-VL-2B. O conjunto de dados inclui principalmente quatro tipos de dados: 10 milhões de descrições de imagens, 24,4 milhões de dados de instruções visuais gerais, 6 milhões de dados de instruções de alta qualidade selecionados e 3 milhões de dados gerados pelo GPT-4 e outros modelos de IA.

No cenário de rápido desenvolvimento da inteligência artificial, uma equipe internacional de pesquisa está pavimentando o caminho para o desenvolvimento de modelos de linguagem de IA europeus. Eles lançaram o projeto MOSEL (Massive Open-source compliant Speech data for European Languages), criando um amplo conjunto de dados de voz de código aberto para 24 línguas oficiais da UE. Essa iniciativa visa impulsionar o desenvolvimento de modelos de linguagem de IA abertos na Europa, desafiando a atual dominância do inglês nos modelos de IA.

A Getty Images anunciou uma iniciativa importante: disponibilizar um conjunto de dados de treinamento de IA contendo 3.750 fotos de alta qualidade, abrangendo 15 categorias, para apoiar o desenvolvimento de aplicações de IA. Essas fotos foram disponibilizadas na plataforma Hugging Face e podem ser acessadas gratuitamente após a aceitação dos termos de serviço e o fornecimento de informações de contato. Essa ação visa atrair empresas e desenvolvedores, além de promover seus serviços de licenciamento pago. A Getty Images afirma possuir mais de 572 milhões de fotos, com mais de 200 milhões disponíveis para uso comercial.

O LAION lançou o Re-LAION-5B, o primeiro conjunto de dados de treinamento de IA do mundo com links CSAM removidos completamente, com o objetivo de combater o problema do material de abuso sexual infantil (CSAM). Este conjunto de dados representa uma melhoria significativa em relação ao LAION-5B, e está disponível em duas versões: Re-LAION-5B Research e Research-Safe. Foram removidos 2236 links CSAM, sendo 1008 deles de uma lista de organizações de proteção infantil. O conjunto de dados contém 5,5 bilhões de pares de texto e imagem, e visa auxiliar...

A LAION, uma organização de pesquisa alemã, criou e lançou o novo conjunto de dados Re-LAION-5B, alegando ter removido links para material de abuso sexual infantil (CSAM). Este conjunto de dados é uma versão corrigida do conjunto de dados anterior, LAION-5B, e incorpora recomendações da Internet Watch Foundation, Human Rights Watch, Canadian Centre for Child Protection e Stanford Internet Observatory. O Re-LAION-5B está disponível em duas versões: Research e Research-Safe, sendo que esta última remove conteúdo NSFW adicional. O conjunto de dados visa apoiar

Em maio, a IBM lançou o modelo Granite13B LLM de código aberto para aplicações empresariais. Agora, Armand Ruiz, vice-presidente de produtos de plataforma de IA da IBM, divulgou o conteúdo completo do conjunto de dados de 6,48 TB usado para treinar o Granite13B.

A Nvidia anunciou recentemente duas tecnologias inovadoras de inteligência artificial: HelpSteer2 e Llama3-70B-SteerLM-RM. Essas inovações prometem aprimorar significativamente a capacidade dos sistemas de IA em diversos aplicativos, desde direção autônoma até processamento de linguagem natural.

'OpenAI e Microsoft são processados por agências de notícias por violação de direitos autorais' 'Modelos multimodais se tornam a principal tendência no campo dos modelos de linguagem de grande escala' 'OpenAI está supostamente negociando ativamente com editoras' 'Políticas de IA estão sendo promulgadas em rápida sucessão, e a questão dos direitos autorais de conjuntos de dados de alta qualidade está recebendo atenção' 'A China CITIC Press colabora com empresas de modelos de linguagem de grande escala para treinamento de linguagem' 'A principal vantagem da Visual China na era da IA generativa'

“Será que existe um modelo de grafo universal – que consiga prever a toxicidade com base na estrutura molecular e também fornecer recomendações de amigos em redes sociais?” Ou que consiga prever citações de artigos de diferentes autores e descobrir mecanismos de envelhecimento humano em redes genéticas? Você realmente não precisa “Ele foi proposto por pesquisadores da equipe do Professor Yi-Xin Chen da Universidade de Washington em St. Louis, Zhang Muhan da Universidade de Pequim e Tao Dacheng do Instituto de Pesquisa JD.”

Uma equipe de pesquisa chinesa colaborou no desenvolvimento do inovador conjunto de dados multiperspectivo "FreeMan", projetado para resolver as limitações dos conjuntos de dados existentes de estimativa de pose corporal 3D. Este conjunto de dados inclui 11 milhões de frames de vídeo de 8 smartphones, cobrindo ambientes internos e externos, com diversas condições de iluminação, fornecendo recursos ricos para a diversidade de cenários reais. Os pesquisadores geraram anotações 3D precisas por meio de um processo de anotação automatizado, que pode ser usado para várias tarefas, como conversão de 2D para 3D, estimativa 3D multiperspectivo e renderização neural.

O Instituto Baidu lançou o maior conjunto de dados de treinamento de modelos vetoriais semânticos chinês-inglês do mundo, o MTP, com um tamanho de dados de 300 milhões de pares. O MTP é o maior conjunto de dados de pares de texto relacionados chinês-inglês de código aberto, fornecendo uma base importante para o treinamento de modelos vetoriais semânticos. O conjunto de dados contém pares de texto chinês-inglês de várias fontes, abrangendo vários tipos, como perguntas e respostas, comentários e notícias. O Instituto Baidu afirmou que os dados desempenham um papel crucial no treinamento de grandes modelos e impulsionarão a inovação colaborativa em inteligência artificial. O lançamento deste conjunto de dados deverá resolver o problema do treinamento de modelos em chinês.

'1. O Meta lançou o modelo de tradução de IA SeamlessM4T, que suporta conversão de voz para texto, voz para voz, texto para texto e texto para voz em quase 100 idiomas. 2. A capacidade de reconhecimento de voz do SeamlessM4T atingiu o nível humano, melhorando significativamente a capacidade de lidar com ruídos de fundo e variações de voz. 3. O Meta não apenas lançou o modelo SeamlessM4T gratuitamente e de código aberto, como também divulgou o conjunto de dados de treinamento principal, SeamlessAlign.'

A AI2 lançou recentemente um conjunto de dados de código aberto chamado Dolma, contendo 3 trilhões de tokens. Os dados do Dolma servirão de base para o modelo de linguagem aberto OLMo, que a AI2 está desenvolvendo e que será lançado no início de 2024. O conjunto de dados Dolma, originário de uma ampla variedade de fontes, incluindo conteúdo da web, publicações acadêmicas, código e livros, é o maior conjunto de dados do tipo publicamente disponível.